app.py

import streamlit as st
from PIL import Image
from transformers import pipeline

# ----------------------------
# 生成图像描述函数
# ----------------------------
def generate_caption(image_file):
    """
    使用 Hugging Face pipeline 的 image-to-text 模型生成图片描述
    参数:
        image_file: 上传的图片文件（文件对象或文件路径）
    返回:
        caption: 生成的图片描述文本
    """
    # 打开图片（如果上传的是文件流，可以直接传给 pipeline）
    image = Image.open(image_file)
    # 利用 image-to-text pipeline 加载 Salesforce/blip-image-captioning-base 模型
    caption_generator = pipeline("image-to-text", model="Salesforce/blip-image-captioning-base")
    # 直接将图片传入 pipeline，返回结果是一个列表，每个元素是一个字典
    caption_results = caption_generator(image)
    caption = caption_results[0]['generated_text']  # 取第一个结果
    return caption

# ----------------------------
# 基于图片描述生成完整故事的函数
# ----------------------------
def generate_story(caption):
    """
    基于图片描述生成完整故事，确保生成的故事至少包含100个单词。
    参数:
        caption: 图片描述文本
    返回:
        story: 生成的故事文本
    """
    # 使用 text-generation pipeline 加载 GPT-2 模型
    story_generator = pipeline("text-generation", model="gpt2")
    # 构建生成故事的提示语
    prompt = f"Based on the following image caption: '{caption}', generate a complete fairy tale story for children with at least 100 words. "
    
    # 生成故事文本
    result = story_generator(prompt, max_length=300, num_return_sequences=1)
    story = result[0]['generated_text']
    
    # 简单检查生成的故事单词数是否达到100，否则再生成部分文本补充
    if len(story.split()) < 100:
        additional = story_generator(prompt, max_length=350, num_return_sequences=1)[0]['generated_text']
        story += " " + additional
    return story

# ----------------------------
# 文字转语音 (TTS) 函数
# ----------------------------
def text_to_speech(text, output_file="output.mp3"):
    """
    将文本转换为语音并保存为 mp3 文件
    参数:
        text: 要转换的文本
        output_file: 保存的音频文件名
    返回:
        output_file: 转换后的音频文件路径
    """
    from gtts import gTTS
    # 这里语言参数设为英语 "en"，
    # 如需中文可修改 lang="zh-cn"，但对应文本生成模型也需生成中文
    tts = gTTS(text=text, lang="en")
    tts.save(output_file)
    return output_file

# ----------------------------
# 主函数：构建 Streamlit 界面
# ----------------------------
def main():
    st.title("儿童故事生成应用")
    st.write("上传一张图片，我们将根据图片生成有趣的故事，并转换成语音播放！")
    
    uploaded_file = st.file_uploader("选择一张图片", type=["png", "jpg", "jpeg"])
    
    if uploaded_file is not None:
        # 显示上传的图片
        image = Image.open(uploaded_file)
        st.image(image, caption="上传的图片", use_column_width=True)
        
        # 生成图片描述
        with st.spinner("正在生成图片描述..."):
            caption = generate_caption(uploaded_file)
        st.write("图片描述：", caption)
        
        # 根据图片描述生成完整故事
        with st.spinner("正在生成故事..."):
            story = generate_story(caption)
        st.write("生成的故事：")
        st.write(story)
        
        # 文本转语音
        with st.spinner("正在转换成语音..."):
            audio_file = text_to_speech(story)
        st.audio(audio_file, format="audio/mp3")

if __name__ == "__main__":
    main()